| 白井 諭 | 神成 明宏 | |
| (電電公社 横須賀通研） | （長岡技術科学大学） |
| １． はじめに | |
| ２． 誤字検出実験の概要 | |
| ３． 誤字検出率 | |
| ４． 誤字存在位置分布 | |
| ５． 実験結果の分析 | |
| ６． おわりに | |
| 文献 |
漢字ＯＣＲの認識率は，紙質，印字品質に大きく左右され， 日本語処理による認識率向上が期待される。 ＯＣＲ入力は一般に棄却と誤読を含む。 誤読訂正には，誤字の検出，訂正候補抽出のレベルがあるが，本稿では誤字の検出について述べる。
誤字の自動検出には，�仝躬�の存在の有無，��誤字の位置，を知る必要があるが， 従来この情報を自動的に得るのは困難であり，人手による校正が必須であった。 最近試作した日本文音声出力に用いた単語解析プログラム(1)は， 正しい日本文を99.5%以上の精度で解析できる。 これを，誤字を含む日本文に適用した結果，誤字の箇所で単語解析失敗となりやすく， 若干の改良で誤字検出に十分応用できることがわかった。
本実験に用いた単語解析プログラムは， 約３千語の辞書を用いたかな列解析（ひらがな列に含まれる単語を分析する。 但し，漢字かな混じりで表記される単語は分析する。）の後， 約30万語の辞書を用いた漢字列解析 （漢字，カタカナ列に含まれる単語を分析する。）を行なう２段構成である。 前段で誤字がみつかれば後段の処理は行なわない 。
誤字を含む日本文は，新聞記事本文中の文字を一定間隔で他の文字に置き換えて作成した。 単語解析プログラムでは，誤りの有無は文節単位で示されるため， 誤字は１文節１個以下に制限した。
単語解析プログラムは，かな列解析（多少漢字も扱かう），漢字列解析の２段構成であるので， 各段の誤字検出特性を知るため，字種を，(K)ひらがな，(C)漢字（カタカナを含む），に分けると， 誤りは (K)→(K)，(K)→(C)，(C)→(C)，(C)→(K)の４タイプに分類できる。 それぞれ約500件について実験した。
実験結果を，� Г�な列解析による検出数，�◆Л，�失敗時の漢字列解析による検出数， および未検出数に分けて表１に示す。
表１から，かなに誤るとかな列解析部での検出率が高く， 漢字に誤ると漢字列解析部での検出率が高い。 この検出率の違いは，誤字に対する訂正候補を抽出する上で， 字種の推定に反映させる(2)ことが可能である。
| 元 | 検出レベル＼誤 | ひらがな | 漢字 |
| ひらがな | かな列 | 321 (71%) | 97(23%) |
| 漢字列 | 22 ( 5%) | 153 (35%) | |
| 未検出 | 106 (24%) | 178 (42%) | |
| 漢字 | かな列 | 245 (54%) | 6 (1%) |
| 漢字列 | 63 (13%) | 335 (69%) | |
| 未検出 | 149 (33%) | 150 (50%) |
3.で検出できたものについて，単語解析処理で解析不能となった箇所を誤字検出位置と定め， 実際に誤字が存在する位置との関係を求めた。 図１は，検出位置を基準に，誤字がその前ならマイナス，後ならプラスで示している。
|
|
図から，漢字に誤った場合は誤字の位置が特定しやすいが， ひらがなに誤った場合は難かしいことがわかる。 漢字は２文字で単語となるものが多く誤字も単語内で検出できるのに対し， ひらがな単語はその前後関係から検出されることが多いためである。
(1) 「ひらがな→ひらがな」の誤り
誤りは，(i)助詞, (ii)活用語尾，(iii)非活用語，に大別でき， (ii)(iii)は８割，(i)は６割が検出される。 これは，助詞が他の助詞に誤っても，単語解析レベルでの検出は困難なためである。
(2)「ひらがな→漢字」 の誤り
前項同様，３つに分類できるが，検出率は６割程度に留まっている。 これは，助詞が漢字接尾語に誤ると検出できないのが一因である。
(3) 「漢字→漢字」の誤り
漢字は２字の繋がりで現れるものが多く，一方が誤ると検出されやすい。 １文字名詞，接辞，動詞語幹等の誤りは検出困難なものが多い。
(4) 「漢字→ひらがな」の誤り
漢字列が１単語から成る場合は検出されやすいが， 複数単語から成る場合は漢字列の最適分割パターンをみつけるのが難かしいため 単語分析がうまくいかず，検出率も低くなっている。
日本文音声出力で作成した単語分析プログラムを誤字検出に適用した場合， 誤字検出率は約68%である。 単語同士， 単語−接辞間の接続チェック項目の追加を行えば， 誤字検出率は約89%に向上することが期待できる。 また，以上で検出できない助詞や動詞の誤りには，構文解析を適用する予定である。